| 摘要 | 第5-8页 |
| Abstract | 第8-11页 |
| 第1章 绪论 | 第15-37页 |
| 1.1 前言 | 第15-16页 |
| 1.2 仿人机器人发展概述 | 第16-23页 |
| 1.2.1 日本本田公司仿人机器人研究 | 第17-18页 |
| 1.2.2 日本HRP仿人机器人 | 第18-19页 |
| 1.2.3 日本SCHAFT公司仿人机器人 | 第19-20页 |
| 1.2.4 美国Boston Dynamics公司仿人机器人 | 第20页 |
| 1.2.5 韩国仿人机器人研究 | 第20-21页 |
| 1.2.6 国外其他仿人机器人研究 | 第21-22页 |
| 1.2.7 国内仿人机器人研究现状 | 第22-23页 |
| 1.3 机器人驱动器控制方法研究 | 第23-27页 |
| 1.3.1 机器人驱动器类型 | 第23-24页 |
| 1.3.2 机器人液压驱动器控制方法 | 第24-27页 |
| 1.4 仿人机器人稳定性指标 | 第27-30页 |
| 1.4.1 ZMP参考点 | 第28-29页 |
| 1.4.2 FRI参考点 | 第29页 |
| 1.4.3 CP参考点 | 第29页 |
| 1.4.4 各种参考点之间的关系 | 第29-30页 |
| 1.4.5 其他稳定性判定方法 | 第30页 |
| 1.5 仿人机器人运动规划方法研究 | 第30-33页 |
| 1.5.1 基于ZMP轨迹的运动规划 | 第30-31页 |
| 1.5.2 基于人体运动捕捉的的运动规划 | 第31-32页 |
| 1.5.3 基于优化方法的步态规划 | 第32-33页 |
| 1.5.4 其它运动规划方法 | 第33页 |
| 1.6 本文的研究意义和内容 | 第33-37页 |
| 1.6.1 本文的研究目的和意义 | 第33页 |
| 1.6.2 本文的研究内容 | 第33-34页 |
| 1.6.3 本文的主要创新点 | 第34-37页 |
| 第2章 液压驱动器的神经网络自适应控制 | 第37-59页 |
| 2.1 前言 | 第37页 |
| 2.2 机器人液压驱动器的模型建立及参数辨识 | 第37-44页 |
| 2.2.1 机器人液压驱动器的非线性模型 | 第37-40页 |
| 2.2.2 机器人液压驱动器的增广模型 | 第40页 |
| 2.2.3 机器人液压驱动器的降阶模型 | 第40-42页 |
| 2.2.4 机器人液压驱动器模型参数辨识 | 第42-44页 |
| 2.3 机器人液压驱动器的状态/参数估计 | 第44-47页 |
| 2.3.1 扩展卡尔曼滤波器 | 第44-46页 |
| 2.3.2 基于顺序扩展卡尔曼滤波器的状态和参数估计 | 第46-47页 |
| 2.4 基于状态/参数估计的RBF神经网络自适应控制 | 第47-52页 |
| 2.4.1 系统状态/参数估计 | 第47-49页 |
| 2.4.2 线性二次型最优控制器设计 | 第49-50页 |
| 2.4.3 基于RBF神经网络的自适应控制器 | 第50-52页 |
| 2.5 液压驱动器的控制实验及结果分析 | 第52-56页 |
| 2.5.1 实验设备 | 第52-53页 |
| 2.5.2 液压驱动器的状态/参数估计实验 | 第53-55页 |
| 2.5.3 液压驱动器的神经网络自适应控制实验 | 第55-56页 |
| 2.6 本章小结 | 第56-59页 |
| 第3章 改进的神经网络逆运动学算法 | 第59-87页 |
| 3.1 前言 | 第59-60页 |
| 3.2 运动学 | 第60-65页 |
| 3.2.1 坐标系定义 | 第60-61页 |
| 3.2.2 旋转矩阵和齐次变换矩阵 | 第61-64页 |
| 3.2.3 连杆在三维空间的速度和角速度 | 第64-65页 |
| 3.3 逆运动学 | 第65-68页 |
| 3.3.1 雅克比矩阵 | 第65-67页 |
| 3.3.2 基于雅可比矩阵的逆运动学 | 第67页 |
| 3.3.3 奇异姿态 | 第67-68页 |
| 3.4 基于多层前馈神经网络的逆运动学求解 | 第68-76页 |
| 3.4.1 多层前馈神经网络 | 第68-69页 |
| 3.4.2 人工神经网络的BP学习算法 | 第69-70页 |
| 3.4.3 样本数据的均匀随机生成方法 | 第70-71页 |
| 3.4.4 基于病态指数分布的随机样本生成 | 第71-73页 |
| 3.4.5 基于神经网络的逆运动学求解 | 第73-76页 |
| 3.5 互补逆运动学求解算法 | 第76-77页 |
| 3.6 双足机器人的逆运动学仿真实验及结果分析 | 第77-86页 |
| 3.6.1 机器人的正运动学方程 | 第79页 |
| 3.6.2 数据样本生成 | 第79-81页 |
| 3.6.3 求解逆运动学 | 第81-86页 |
| 3.7 本章小结 | 第86-87页 |
| 第4章 仿人机器人复杂路面的步态规划 | 第87-109页 |
| 4.1 前言 | 第87页 |
| 4.2 相关工作 | 第87-88页 |
| 4.3 扩展ZMP | 第88-92页 |
| 4.3.1 问题描述 | 第88页 |
| 4.3.2 扩展的ZMP概念 | 第88-92页 |
| 4.4 扩展的桌子-小车模型 | 第92-93页 |
| 4.5 复杂路面环境的行走运动规划 | 第93-99页 |
| 4.5.1 基于三重预观控制的步态生成 | 第93-94页 |
| 4.5.2 复杂路面的步态生成方法 | 第94-97页 |
| 4.5.3 应用预观控制生成CM轨迹 | 第97页 |
| 4.5.4 EZMP测量方法 | 第97-99页 |
| 4.6 复杂环境行走的仿真实验及结果分析 | 第99-106页 |
| 4.6.1 步态稳定器 | 第100页 |
| 4.6.2 楼梯和斜坡上的行走 | 第100-104页 |
| 4.6.3 非平整路面上的行走 | 第104-106页 |
| 4.7 本章小结 | 第106-109页 |
| 第5章 仿人足底肌电特征的步态规划 | 第109-125页 |
| 5.1 前言 | 第109-110页 |
| 5.2 基于肌电信号的机器人行走规划方法 | 第110-111页 |
| 5.3 人体肌电信号测量及其处理 | 第111-114页 |
| 5.3.1 实验过程 | 第111-112页 |
| 5.3.2 实验结果 | 第112-113页 |
| 5.3.3 双足和躯干运动轨迹的测量及处理 | 第113-114页 |
| 5.4 基于预观控制的运动生成和轨迹优化 | 第114-118页 |
| 5.4.1 基于预观控制的的初始步态生成 | 第114-116页 |
| 5.4.2 基于人体相似性的步态优化 | 第116-118页 |
| 5.5 拟人行走实验及结果分析 | 第118-123页 |
| 5.6 本章小结 | 第123-125页 |
| 第6章 仿人机器人高能效行走步态规划 | 第125-141页 |
| 6.1 前言 | 第125页 |
| 6.2 混合步态规划 | 第125-134页 |
| 6.2.1 基于ZMP稳定性的直膝行走步态生成 | 第126-129页 |
| 6.2.2 被动行走步态生成 | 第129-131页 |
| 6.2.3 混合行走步态生成 | 第131-133页 |
| 6.2.4 基于强化学习的步态优化 | 第133-134页 |
| 6.3 基于混合步态和在线学习的行走实验及结果分析 | 第134-139页 |
| 6.4 本章小结 | 第139-141页 |
| 第7章 总结与展望 | 第141-145页 |
| 7.1 本文工作总结 | 第141-142页 |
| 7.2 未来工作展望 | 第142-145页 |
| 参考文献 | 第145-161页 |
| 附录A 矩阵满秩的证明 | 第161-163页 |
| 致谢 | 第163-165页 |
| 攻读博士期间发表的学术论文 | 第165-167页 |
| 攻读博士期间参与的科研项目 | 第167页 |
